MaxKB 是一款基于 LLM 大语言模型的知识库问答系统。MaxKB = Max Knowledge Base，旨在成为企业的最强大脑。

• 开箱即用：支持直接上传文档、自动爬取在线文档，支持文本自动拆分、向量化，智能问答交互体验好；

• 无缝嵌入：支持零编码快速嵌入到第三方业务系统；

• 多模型支持：支持对接主流的大模型，包括 Ollama 本地私有大模型（如 Llama 2、Llama 3、qwen）、通义千问、OpenAI、Azure OpenAI、Kimi、智谱 AI、讯飞星火和百度千帆大模型等。

关于RAG

简介
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了信息检索和语言模型的技术，它通过从大规模的知识库中检索相关信息，并利用这些信息来指导语言模型生成更准确和深入的答案。这种方法在2020年由Meta AI研究人员提出，旨在解决大型语言模型（LLM）在信息滞后、模型幻觉、私有数据匮乏和内容不可追溯等问题。

在日常工作和学习中，我们时常会面对大量的PDF、Word、Excel等文档，需要从中查找特定的信息或内容。然而，传统的Ctrl+F搜索方式在面对海量文档或复杂格式时，往往效率低下，令人头疼。如果使用MaxKb 工具，它将彻底改变你处理文档的方式。

工作原理

RAG 的主要流程主要包含以下 2 个阶段：

1. 数据准备阶段： 管理员将内部私有数据向量化后入库的过程，向量化是一个将文本数据转化为向量矩阵的过程，该过程会直接影响到后续检索的效果；入库即将向量数据构建索引，并存储到向量数据库的过程。
2. 用户应用阶段： 根据用户的 Prompt 提示词，通过检索召回与 Prompt 提示词相关联的知识，并融入到原 Prompt 提示词中，作为大模型的输入 Prompt 提示词，通用大模型因此生成相应的输出。

从上面 RAG 方案我们可以看出，通过与通用大模型相结合，我们可搭建团队私有的内部本地知识库，并能有效的解决通用大模型存在的知识局限性、幻觉问题和隐私数据安全等问题。

实现方案

目前市面上已经有多个开源 RAG 框架，这里将选择MaxKb框架（16.8K ☆ ，https://github.com/1Panel-dev/MaxKB）与大家一起来部署我们自己或者团队内部的本地知识库。整个部署过程将涉及以下几个方面：

1. 环境准备： MaxKb框架推荐使用 Docker 部署，因此我们需要提前把 Docker 安装和配置好
2. 大模型准备： 老牛同学继续使用Qwen2-7B大模型，大家可以根据自己实际情况选择，无特殊要求
3. RAG 部署和使用： 即 MaxKb安装和配置，并最终使用我们大家的 RAG 系统

一、什么是MaxKb？

官网https://github.com/1Panel-dev/MaxKB
MaxKb是一个AI聊天系统，它允许用户构建自己的私人ChatGPT。与依赖云服务的AI工具不同，MaxKb支持本地开源和商用闭源的大语言模型（LLM），用户可以根据自己的需求和预算选择合适的模型。

二、MaxKb的核心功能

• 文档智能聊天：只需导入文档，MaxKb就能自动进行上下文分析和内容整理，用户可以通过对话的方式快速提取关键信息。
• 自定义AI代理：用户可以为每个工作区创建不同的AI代理，实现高度的定制化。例如，可以创建一个专门处理Python代码的AI代理，另一个则专门用于处理PDF文档。
• 多模式支持：无论是免费的开源模型还是付费的商用模型，MaxKb都能兼容，为用户提供极大的灵活性。
• 广泛的文档支持：从PDF、TXT到Word、Excel，几乎所有常见的文档格式都支持。
• 嵌入式聊天小部件：用户可以将MaxKb嵌入到自己的网站中，为网站用户提供自动化的智能客服服务。
• 团队协作支持：通过Docker容器，多个用户可以同时使用MaxKb，非常适合团队开发或公司内部使用。
• 丰富的API接口：开发者可以轻松集成MaxKb到现有的应用中，实现更多定制化功能。

三、MaxKb的安装与使用

安装AnythingLLM非常简单，官方文档详细明了，按照步骤操作即可。对于开发者来说，一条命令就能完成Docker部署，几分钟就能跑起来一个完整的私人ChatGPT系统。对于不太懂技术的小伙伴来说，也有详细的教程帮助上手。

使用上，用户只需通过拖拽的方式将文档放入工作区，然后就可以开始与文档“聊天”了。这个过程非常自然，就像与人对话一样，用户可以直接让AI分析提取重要内容，无需再翻阅大量文档或使用关键词搜索。

四、MaxKb的适用场景

• 个人学习助手：对于学生或知识工作者来说，MaxKb是强大的学习助手，可以帮助他们快速获取书籍、论文等学习资料中的信息。

• 企业文档管理：企业内部的文档种类繁多，通过MaxKb的工作区机制，企业可以分类管理文档，提升整体工作效率。

• 开发者定制应用：开发者可以利用MaxKb的API集成到现有系统中，打造符合自己需求的AI应用。

• 网站智能客服：对于需要客服支持的网站来说，可以将MaxKb嵌入网站中，为用户提供快速解答。

五、安装

采用 MaxKb与Ollama 结合使用的方式，快速搭建本地AI

接下来仅讲解一下如何安装 AnythiMaxKbgLLM 以及配置

安装并配置MaxKb

方案、 docker版

环境准备
Windows 打开虚拟化功能（Hyper-V 和 WSL）

友情提示： 这里用的是 Windows 操作系统，因此下面是 Windows 的配置方式。

安装 Docker 需要用到虚拟化，因此需要 Windows 系统打开Hyper-V和WSL 子系统功能。如果是 Windows 11 家庭版，默认并没有安装Hyper-V功能，可以通过以下方式进行安装：

【第一步（家庭版）：安装 Hyper-V 依赖包】

1. 新建一个 txt 临时文本，并复制以下代码并保存，之后把该临时文件重命名为Hyper-V.bat​
2. 右键以管理员方式运行Hyper-V.bat​，本代码自动安装相关包，完成之后输入Y​重启电脑后即可

pushd "%~dp0"
dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages\%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft-Hyper-V-All /LimitAccess /ALL

【第二步：开启虚拟化功能】

首先，打开 Windows 功能（即：控制面板）：

然后，勾选以下 3 个选项（Hyper-V、适用于 Linux 的 Windows 子系统和虚拟机平台），打开虚拟化功能：

打开虚拟化功能
点击确定之后重启电脑即可！‍‍

Docker Desktop安装配置

这里之前文章有介绍，可参考，这里不再赘述‍‍

MaxKb安装和配置

方式一： 本地docker部署
接下来，开始安装和部署MaxKb框架，包含以下 3 步：

docker run -d --name=maxkb --restart=always -p 3002:8080 -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages cr2.fit2cloud.com/1panel/maxkb# username: admin
# pass: MaxKB@123..

1. 启动MaxKb镜像
   Windows 系统： AnythingLLM 镜像挂载和启动命令（因为命令有多行，需要通过PowerShell执行）：

2. 拉取镜像完成后，在docker中检查如下
   

3. 为避免电脑重启后创建的知识库没保存， 删除自动创建部署的maxkb，如下操作
   
   关闭后操作页面如下
   
   找到PGDATA 路径
   
   然后返回，点击删除
   

4. 从images中再次创建容器

第一个端口5432 应该是postgesql的端口 可以不配置

/var/lib/postgresql/data

‍

5. 启动完成，通过浏览器打开AnythingLLM界面：http://localhost:3002
   登录后， 创建知识库， 账号密码见上文
   
   方案二：1Panel 应用商店
   你也可以通过 1Panel 应用商店 快速部署 MaxKB + Ollama + Llama 2，30 分钟内即可上线基于本地大模型的知识库问答系统，并嵌入到第三方业务系统中。
   

配置 MaxKb
配置大语言模型

若保存时提示api域名无效， 改为 http://host.docker.internal:11434

​最后一步 ， 创建应用

‍

‍

五、MaxKb 导入数据和使用
上一步配置完成之后，无需任何其他配置，就可以和大模型对话聊天了，和通过其他客户端与大模型对话没有区别。接下来，我们需要导入我们内部私有数据，并进行验证。

‍

5.1 导入内部数据
我们在电脑本地新建一个 txt 文件，文件名为：为什么个人、团队等均有必要部署私有化的RAG知识库系统.txt​，文件内容就是本文的开头内容：

自ChatGPT发布以来，大型语言模型（Large Language Model，LLM，大模型）得到了飞速发展，它在解决复杂任务、增强自然语言理解和生成类人文本等方面的能力让人惊叹，几乎各行各业均可从中获益。然而，在一些垂直领域，这些开源或闭源的通用的基础大模型也暴露了一些问题，主要有以下3个方面：1. **知识的局限性：** 大模型的知识源于训练数据，目前主流大模型（如：通义千问、文心一言等）的训练数据基本来源于网络公开的数据。因此，非公开的、离线的、实时的数据大模型是无法获取到（如：团队内部实时业务数据、私有的文档资料等），这些数据相关的知识也就无从具备。
2. **幻觉问题：** 大模型生成人类文本底层原理是基于概率（目前还无法证明大模型有意识），所以它有时候会**一本正经地胡说八道**，特别是在不具备某方面的知识情况下。当我们也因缺乏这方面知识而咨询大模型时，大模型的幻觉问题会各我们造成很多困扰，因为我们也无法区分其输出的正确性。
3. **数据的安全性：** 对于个人、创新团队、企业来说，**数据安全**至关重要，老牛同学相信没有谁会愿意承担数据泄露的风险，把自己内部私有数据上传到第三方平台进行模型训练。这是一个矛盾：我们既要借助通用大模型能力，又要保障数据的安全性！为了解决以上3个大模型通用问题，**检索增强生成**（Retrieval-Augmented Generation，**RAG**）方案就应运而生了！

‍

首先，点击RAG-ClassmateWX工作空间右边的上传图标，准备上传本 txt 文件：

​
准备上传文件；然后，点击 txt 文件并上传，并点击Move to workspace导入到工作空间：

5.2 内部数据使用和验证

总结和问题

和之前的大模型部署和应用过程相比，基于 MaxKb 的 RAG 实现整个部署过程比较繁琐，包括环境准备、Docker 安装和配置、MaxKb 配置等。然而，MaxKb 的使用过程却相对比较简单，只需要上传数据文件，MaxKb 框架屏蔽了中间的数据提取分割、向量化处理、向量索引和入库、检索召回和重组 Prompt 提示词等过程。

同时，通过构建本地知识库，做了一个简单的测试验证，测试结果表明，在使用 RAG 的情况下，大模型的回答结果更加有效、更符合我们期望，同时具备了一定的创造性！

注意事项

资源要求：运行大型语言模型需要一定的内存或显存。请确保您的计算机满足Ollama和所选模型的资源要求。

网络问题：在下载模型时，可能会遇到网络问题导致下载速度缓慢或失败。此时可以尝试重启电脑或重启Ollama服务来解决问题。

模型选择：根据自己的需求和预算选择合适的模型。免费的开源模型可能适合个人学习或小型项目，而付费的商用模型则可能提供更高的性能和准确性。

通过以上步骤，您可以将MaxKb 与Ollama成功结合，并利用这一强大的组合进行智能对话和文档处理。无论是个人学习还是企业团队协作，这一解决方案都将为您提供极大的便利和效率提升。